ANALIZA BAZY DANYCH CURLING MASTERS

Spis treści

1) Liczba spotkań każdego miesiąca

2) Bilans wygranych i przegranych meczy

3) Średni wiek graczy

4) Analiza ilości graczy w zależności od czasu

5) Najlepsi gracze w naszym klubie

6) Mistrzostwa w curlingu

7) Co zrobić, żeby nie zbakrutować?

8) Co możemy powiedzieć o naszych pracownikach i zawodnikach?

import mysql.connector as mysql
from config import host, user, password
import pandas as pd
import numpy as np
import plotly.graph_objs as go
import plotly.offline as pyo
import plotly.express as px
from plotly.subplots import make_subplots
import math
pd.options.mode.chained_assignment = None

con = mysql.connect(user=user,password=password,host=host,database='team3')

cursor = con.cursor()

1. Liczba spotkań każdego miesiąca

query1 = "SELECT * FROM opponents"

cursor.execute(query1)
results = cursor.fetchall()
matches = pd.DataFrame(results,columns=['team_name','date','opponent_name'])

indexes = []
for index, row in matches.iterrows():
    if index == len(matches) -1:
        break
    if row['team_name'] == matches.loc[index+1,'opponent_name']:
        indexes.append(index)

matches.drop(indexes,inplace=True)

matches['month'] = pd.DatetimeIndex(matches['date']).month
matches['year'] = pd.DatetimeIndex(matches['date']).year

group_matches = matches.groupby(by=['year','month']).count()['team_name']

match_freq = pd.DataFrame(list(group_matches.index), columns=['year','month'])
match_freq['day'] = 1
match_freq['date'] = pd.to_datetime(match_freq)
match_freq = match_freq[['date']]
match_freq['freq'] = group_matches.values

date_range = list(pd.date_range('2019-06-01','2023-05-30',freq='MS'))

for date in date_range:
    if date not in list(match_freq['date']):
        row = {'date':date,'freq':0}
        match_freq = match_freq.append(row,ignore_index=True)

match_freq.sort_values(by=['date'],inplace=True)
match_freq.reset_index(inplace=True)

fig = px.line(match_freq, x="date", y="freq", title='Liczba spotkań każdego miesiąca')
fig.update_layout(xaxis_title='czas',
                  yaxis_title='liczba meczy',
                  title_x=0.5)
fig.show()

Na powyższym wykresie widać, że przez pierwsze pół roku działalności klubu nasze drużyny nie rozgrywały żadnych meczy. Pierwsze spotkania odbyły się dopiero na początku roku 2020. Niestety rozwój naszego klubu zatrzymał lockdown spowodowany pandemią covid 19 i od początku marca do końca czerwca roku 2020 również nie rozgrywaliśmy meczy.

W lipcu 2020 roku obserwujemy nagły wzrost ilości meczy, a później już powolny rozwój klubu. Liczba spotkań przejawia tendencję rosnącą, przy czym najwięcej meczy (ponad 50) rozegranych zostało niedawno, bo w maju 2022 roku.

Na wykresie przedstawiona została także liczba meczy zaplanowanych na każdy miesiąc przyszłego sezonu.

2. Bilans wygranych i przegranych meczy

query2 = '''SELECT team_name, team_score, opponent_score, team_score > opponent_score, team_score < opponent_score 
            FROM matches WHERE team_score IS NOT NULL'''

cursor.execute(query2)
results = cursor.fetchall()
scores = pd.DataFrame(results,columns=['team_name','team_score','opponent_score','match_won','match_lost'])

scores = scores.groupby(by=['team_name']).sum()[['match_won','match_lost']]
scores.sort_values(by=['team_name'],inplace=True)

lost = scores['match_lost']
won = scores['match_won']
teams = list(scores.index)

layout = go.Layout(yaxis=go.layout.YAxis(
                        ticktext=teams,
                        range=[0, len(teams)],
                        title='Teams'),
                   xaxis=go.layout.XAxis(
                        range=[-lost.max()-1, won.max()+1],
                        tickvals=[i for i in range(-30,40,10)],
                        ticktext=[str(abs(i)) for i in range(-30,40,10)],
                        title='Number'),
                   barmode='overlay',
                   autosize=False,
                   width=800,
                   height=1100,
                   title='Bilans wygranych i przegranych meczy',
                   title_x=0.5,
                   bargap=0.1)

data = [go.Bar(y=teams,
               x=won,
               orientation='h',
               name='wygrane',
               text=won,
               hoverinfo='x+y',
               marker=dict(color='#636efa'),
               textangle=0, 
               #textposition="outside"
               ),
        go.Bar(y=teams,
               x=-lost,
               orientation='h',
               name='przegrane',
               text=lost,
               hoverinfo='text+y',
               marker=dict(color='#ef553b'),
               textangle=0, 
               #textposition="outside"
               )]
#fig.update_traces(textangle=0, textposition="outside")

pyo.iplot(dict(data=data, layout=layout))

Powyższy wykres piramidowy przedstawia liczbę wygranych i przegranych meczy dla każdej z naszych drużyn. Widać duże rozbieżności pomiędzy drużynami.

Sześć drużyn ('Baby Broomers', 'Curlers Terriers', 'Calgary Metros', 'Montreal Vipers', 'Rolling Stones' i 'Super Atlantics') rozegrało nie więcej niż sześć meczy, co może wynikać z braku możliwości skopletowania składu. Natomiast osiem drużyn odbyło ponad 30 spotkań.

Istenieją też znaczne różnice pomiędzy bilansem wygranych i przegranych meczy. Do najlepszych drużyn zdecydowanie możemy zaliczyć 'Vancouver Fury', którzy wygrali 82% z rozegranych meczy oraz 'Montreal Bruins' którzy mają najwięcej wygranych meczy ze wszystkich drużyn i niewielką ilość przegranych. Wysoko plasują się także 'Calgary Rockets', którzy na 20 rozgranych meczy nie przegrali ani jednego. Do innych drużyn, które wygrały wszystkie swoje mecze możemy także zaliczyć 'Toronto Olympics', 'Montreal Braves', 'Curlers Terriers' oraz 'Calgary Metros'. Musimy jednak wziąć pod uwagę, że dwie ostatnie drużyny rozegrały mniej meczy w porównaniu do innych drużyn o idealnej skuteczności.

Najgorszymi drużynami okazały się 'Vancouver Islanders' - przegrali wszytskie 32 mecze! Dużą przewagę przegranych do wygranych meczy mają także 'Toronto Eagels', 'Stone Mariners' oraz 'Ice Sabres'.

3. Średni wiek graczy

query3 = "SELECT birthdate, join_date, retire_date, age_category FROM personal_info INNER JOIN teams USING(team_name)"

cursor.execute(query3)
results = cursor.fetchall()
dates = pd.DataFrame(results,columns=['birthdate','join_date','retire_date','age_category'])

junior_age = pd.DataFrame(columns=['date','mean_age'])
adult_age = pd.DataFrame(columns=['date','mean_age'])

date_range2 = list(pd.date_range('2019-06-01','2022-05-30',freq='W'))

for date in date_range2:
    j_ages = []
    a_ages = []
    for index, row in dates.iterrows():
        age = math.floor((date -  pd.to_datetime(row['birthdate']))/np.timedelta64(1, 'Y'))
        if (row['join_date'] <= date) and ((row['retire_date'] == None) or (row['retire_date'] >= date)):
            if row['age_category'] == 'junior':
                j_ages.append(age)
            elif row['age_category'] == 'adult':
                a_ages.append(age)

    if j_ages != []:
        row = {'date':date,'mean_age':np.mean(j_ages)}
        junior_age = junior_age.append(row,ignore_index=True)

    if a_ages != []:
        row = {'date':date,'mean_age':np.mean(a_ages)}
        adult_age = adult_age.append(row,ignore_index=True)

fig = px.line(junior_age, x="date", y="mean_age", title='Średni wiek juniorów')
fig.update_layout(xaxis_title='czas',
                  yaxis_title='średin wiek',
                  title_x=0.5)
fig.show()

fig = px.line(adult_age, x="date", y="mean_age", title='Średni wiek dorosłych graczy')
fig.update_layout(xaxis_title='czas',
                  yaxis_title='średni wiek',
                  title_x=0.5)
fig.show()

Dwa powyższe wykresy przedstawiają średni wiek w zależności od czasu dla graczy z kategorii juniorów i dorosłych.

W obu przypadkach zauważalna jest ogólna tendencja wzrostowa, co jest logiczne biorąc pod uwagę, że nasi gracze z roku na rok są coraz starsi. Widać jednak, że miejscami średni wiek znacząco spada, zwłaszcza na początku naszej działalności, co jest spowodowane odchodzeniem graczy z klubu. Spadki są bardzo widoczne również ze względu na niewielką ilość graczy na początku istnienia klubu.

Dla dorosłych obserwujemy jednak dwa większe spadki tekże w późniejszych miesiącach - w połowie roku 2020 i na początku 2022.

Możemy również zauważyć, że średni wiek juniorów nie przekracza 14 lat, a pierwsi gracze, który dołączyli mieli śrdednio 9 lat. Dla dorosłych natomiast średni wiek nie przekracza 40 lat, a pierwsi gracze mieli średnio 28 lat.

4. Analiza ilości graczy w zależności od czasu

query4 = '''SELECT gender, join_date, retire_date 
            FROM personal_info 
            INNER JOIN people USING(person_id) 
            INNER JOIN gender USING(first_name) 
            WHERE team_name IS NOT NULL'''

cursor.execute(query4)
results = cursor.fetchall()
players = pd.DataFrame(results,columns=['gender','join_date','retire_date'])

women_number = pd.DataFrame(columns=['date','number','gender'])
men_number = pd.DataFrame(columns=['date','number','gender'])

for date in date_range2:
    
    women_counter = 0
    men_counter = 0

    for index, row in players.iterrows():
        if (row['join_date'] <= date) and ((row['retire_date'] == None) or (row['retire_date'] >= date)):
            if row['gender'] == 'F':
                women_counter += 1
            elif row['gender'] == 'M':
                men_counter += 1

    row_w = {'date':date,'number':women_counter,'gender':'female'}
    row_m = {'date':date,'number':men_counter,'gender':'male'}
    women_number = women_number.append(row_w,ignore_index=True)
    men_number = men_number.append(row_m,ignore_index=True)

fig = px.line(pd.concat([women_number,men_number]), x="date", y="number", color='gender',title='Ilość graczy w zależności od czasu')
fig.update_layout(xaxis_title='czas',
                  yaxis_title='ilość graczy',
                  title_x=0.5)
fig.show()

Na powyższym wykresie obserwujemy tendencję wzrostową ilości graczy w klubie, zarówno dla kobiet i dla mężczyzn, przy czym liczba kobiet nigdy nie przekracza ilości mężczyzn. Oznacza to, że nasz klub się powiększa, a to wyjaśnia wcześniej zaobserwowany wzrost w ilości meczów.

5. Najlepsi gracze w naszym klubie

Na podstawie graczy którzy brali udział w meczu na jakiejś pozycji (jeśli mają przypisaną pozycję, to grali a nie siedzieli), szukamy tych którzy mają największą skuteczność (ilość wygranych do wszystkich meczy). Szukamy wśród dorosłych i juniorów oddzielnie, zaczynając od dorosłych.

Najlepsi dorośli gracze

def display_best_players(data, number):
    data['success_rate'] = data['won']/data['played']
    data['success_rate'] = round(data['success_rate'].astype(float), 5)
    data = data[['first_name','last_name','won', 'played', 'success_rate']]
    data = data.sort_values(by=['success_rate', 'played'], ascending=False)
    data.reset_index(drop=True, inplace=True)
    data.index = data.index + 1
    return data[:number]

def display_player_info(data):
    today = pd.to_datetime('2022-05-30')
    for index, row in data.iterrows():
        age = math.floor((today -  pd.to_datetime(row['birthdate']))/np.timedelta64(1, 'Y'))
        if row['gender'] == 'M':
            gender = 'mężczyzna'
        else:
            gender = 'kobieta'
        print('{}) {} {}, {} w wieku {} lat, z drużyny {}'.format(index+1, row['first_name'], row['last_name'], gender, age, row['team_name']))

query_best_adults = '''
SELECT SUM(team_score > opponent_score) AS won, COUNT(team_score > opponent_score) AS played, first_name, last_name 
FROM positions
LEFT JOIN people USING (person_id) 
LEFT JOIN personal_info USING (person_id) 
LEFT JOIN matches USING (team_name, date) 
LEFT JOIN teams USING (team_name)
WHERE team_score IS NOT NULL AND age_category = 'adult' 
GROUP BY person_id
'''

cursor.execute(query_best_adults)
result_adults = cursor.fetchall()
data_adults = pd.DataFrame(result_adults,columns=['won', 'played','first_name','last_name'])

display_best_players(data_adults, 40)

	first_name	last_name	won	played	success_rate
1	Zacharia	Donaldson	15	15	1.00000
2	Abdurrahman	Huynh	13	13	1.00000
3	Alexandro	Guerin	11	11	1.00000
4	Dorian	Lam	11	11	1.00000
5	Nick	Small	10	10	1.00000
6	Manley	Gravel	9	9	1.00000
7	Eduardo	Costa	7	7	1.00000
8	Gena	Vezina	5	5	1.00000
9	Glen	Christie	5	5	1.00000
10	Reno	Duchesne	4	4	1.00000
11	Sylvain	Preston	4	4	1.00000
12	Melville	Warren	3	3	1.00000
13	Israel	Snow	2	2	1.00000
14	Kwabena	Arseneault	2	2	1.00000
15	Kaida	Joly	1	1	1.00000
16	Aliah	Hawkins	1	1	1.00000
17	Carlos	Lalonde	1	1	1.00000
18	Neal	Chow	1	1	1.00000
19	Nasir	Burke	1	1	1.00000
20	Marlyne	Lloyd	1	1	1.00000
21	Gerardo	McCallum	1	1	1.00000
22	Ezio	Labrecque	1	1	1.00000
23	Alayah	Long	1	1	1.00000
24	Akhil	Berube	13	14	0.92857
25	Sathana	Lo	9	10	0.90000
26	Emile	Burton	30	34	0.88235
27	Juliano	Lord	15	17	0.88235
28	Ankit	Cousineau	15	17	0.88235
29	Jean-philippe	Mercer	7	8	0.87500
30	Patricia-anne	Audet	7	8	0.87500
31	Thierry	Donnelly	25	29	0.86207
32	Gordon	Klassen	18	21	0.85714
33	Bohdan	George	6	7	0.85714
34	Daryn	Labelle	17	20	0.85000
35	Dhyan	Fillion	16	19	0.84211
36	Maksim	Berry	20	24	0.83333
37	Johan	Webb	15	18	0.83333
38	Stavros	Thiessen	14	17	0.82353
39	Yanick	Dhaliwal	23	28	0.82143
40	Jake	Morris	9	11	0.81818

query_adult_info = '''
SELECT first_name, last_name, gender, birthdate, team_name
FROM people
LEFT JOIN personal_info USING (person_id) 
LEFT JOIN gender USING (first_name) 
WHERE (first_name = 'Zacharia' AND last_name = 'Donaldson') OR 
    (first_name = 'Abdurrahman' AND last_name = 'Huynh') OR 
    (first_name = 'Alexandro' AND last_name = 'Guerin') OR 
    (first_name = 'Dorian' AND last_name = 'Lam') OR 
    (first_name = 'Nick' AND last_name = 'Small')
GROUP BY person_id
'''

cursor.execute(query_adult_info)
info_adults = cursor.fetchall()
info_adults = pd.DataFrame(info_adults,columns=['first_name', 'last_name', 'gender', 'birthdate', 'team_name'])

Dość spodziewane było pojawienie się w czołówce graczy którzy grali niewiele meczy i udało im się je wygrać, dlatego wyświetlona jest również liczba meczy oraz sortowanie po niej by móc stwierdzić, dla których zwycięstwa nie są przypadkiem. W powyższej tabeli widzimy kilku świetnych graczy z $100\%$ skutecznością, a grali oni w ponad jednym meczu! Najlepsza 5 z dorosłych graczy w CurlingMasters to:

display_player_info(info_adults)

1) Alexandro Guerin, mężczyzna w wieku 29 lat, z drużyny Calgary Rockets
2) Zacharia Donaldson, mężczyzna w wieku 42 lat, z drużyny Calgary Rockets
3) Abdurrahman Huynh, mężczyzna w wieku 45 lat, z drużyny Calgary Rockets
4) Nick Small, mężczyzna w wieku 49 lat, z drużyny Calgary Rockets
5) Dorian Lam, mężczyzna w wieku 36 lat, z drużyny Calgary Rockets

Okazuje się, że panowie pochodzą z jednej drużyny, jest to zatem mistrzowska drużyna! Warto również zwrócić uwagę na takich zawodników jak: Akhil Berube, Sathana Lo, Emile Burton, Juliano Lord, Ankit Cousineau, których wyniki są również obiecujące, ze względu na ilość rozegranych przez nich meczy.

Najlepsi juniorzy

query_best_juniors = '''
SELECT SUM(team_score > opponent_score) AS won, COUNT(team_score > opponent_score) AS played, first_name, last_name 
FROM positions
LEFT JOIN people USING (person_id) 
LEFT JOIN personal_info USING (person_id) 
LEFT JOIN matches USING (team_name, date) 
LEFT JOIN teams USING (team_name) 
WHERE team_score IS NOT NULL AND age_category = 'junior' 
GROUP BY person_id
'''

cursor.execute(query_best_juniors)
result_junior = cursor.fetchall()
data_juniors = pd.DataFrame(result_junior,columns=['won', 'played','first_name','last_name'])

display_best_players(data_juniors, 40)

	first_name	last_name	won	played	success_rate
1	Israel	Chevalier	13	13	1.0
2	Daylen	Larsen	13	13	1.0
3	Craig	McCarthy	13	13	1.0
4	Carl	Perron	13	13	1.0
5	Jahaan	Turgeon	9	9	1.0
6	Mackayla	Little	8	8	1.0
7	Petra	Reimer	8	8	1.0
8	Rania	Faucher	6	6	1.0
9	Fisher	Aubin	6	6	1.0
10	Ioanna	Brar	6	6	1.0
11	Lucille	Marsh	5	5	1.0
12	Leita	Lam	5	5	1.0
13	Karys	Carter	5	5	1.0
14	Hendrick	Chow	5	5	1.0
15	Jenson	Yu	5	5	1.0
16	Chastity	Tessier	5	5	1.0
17	Patsy	Lucas	4	4	1.0
18	Jameson	Chin	4	4	1.0
19	Ishani	Cole	4	4	1.0
20	Piranavan	Ferreira	3	3	1.0
21	Lucian	Demers	3	3	1.0
22	Roslyn	Sidhu	3	3	1.0
23	Jeannedarc	Kim	3	3	1.0
24	Kace	Wiebe	2	2	1.0
25	Calen	Buchanan	2	2	1.0
26	Brandon-lee	Fong	2	2	1.0
27	Ashlynn	Paradis	2	2	1.0
28	Jameel	Faucher	2	2	1.0
29	Tesla	Tan	2	2	1.0
30	Avrom	Law	2	2	1.0
31	Muad	Saunders	2	2	1.0
32	Betty	O’Connor	1	1	1.0
33	Arush	Chartrand	1	1	1.0
34	Inayah	Beaudin	1	1	1.0
35	Mallory	Marcotte	1	1	1.0
36	Marie-paule	Doiron	1	1	1.0
37	Maddex	Reed	1	1	1.0
38	Kiyan	Lord	1	1	1.0
39	Moosa	Erickson	1	1	1.0
40	Mackayla	Menard	1	1	1.0

query_junior_info = '''
SELECT first_name, last_name, gender, birthdate, team_name
FROM people
LEFT JOIN personal_info USING (person_id) 
LEFT JOIN gender USING (first_name) 
WHERE (first_name = 'Israel' AND last_name = 'Chevalier') OR 
    (first_name = 'Daylen' AND last_name = 'Larsen') OR 
    (first_name = 'Craig' AND last_name = 'McCarthy') OR 
    (first_name = 'Carl' AND last_name = 'Perron') OR 
    (first_name = 'Jahaan' AND last_name = 'Turgeon')
GROUP BY person_id
'''

cursor.execute(query_junior_info)
info_juniors = cursor.fetchall()
info_juniors = pd.DataFrame(info_juniors,columns=['first_name', 'last_name', 'gender', 'birthdate', 'team_name'])

Juniorów z idealną skutecznością mamy jeszcze więcej niż dorosłych. Przyrzyjmy się dokładniej top 5:

display_player_info(info_juniors)

1) Israel Chevalier, mężczyzna w wieku 20 lat, z drużyny Montreal Braves
2) Daylen Larsen, mężczyzna w wieku 17 lat, z drużyny Montreal Braves
3) Craig McCarthy, mężczyzna w wieku 10 lat, z drużyny Montreal Braves
4) Carl Perron, mężczyzna w wieku 10 lat, z drużyny Montreal Braves
5) Jahaan Turgeon, mężczyzna w wieku 9 lat, z drużyny Toronto Olympics

Widzimy, że najlepsi zawodnicy, są to mężczyźni, znów w większości z jednej drużyny. Jest to najprawdopdobniej spowodowane przez przypisywanie skuteczności (wykorzystywanej do generacji wyników meczu) do drużyny. Dlatego jeśli drużyna ma wysoką skuteczność, oraz rozegrała sporo meczy, to właśnie jej członkowie pojawią się wysoko i obok siebie w rankingu. Warto zwrócić uwagę na wielki potencjał Jahaan Turgeon, który już w wieku $9$ lat pojawił się w top $5$.

6. Mistrzostwa w curlingu

Chcemy wybrać najlepszych zawodników do mistrzowskich drużyn, które będzie reprezentować cały nasz klub. Nie zwracamy uwagi na miasta, czy drużyny graczy bo chcemy dobrać najlepszą możliwą osobę na dane stanowisko w drużynie. Graczy będziemy wybierać do drużyny męskiej lub żeńskiej w zależności od kategori wiekowej.

def best_for_position(data, position):
    data = data[data['position'] == position]
    data['success_rate'] = data['won']/data['played']
    data['success_rate'] = round(data['success_rate'].astype(float), 5)
    today = pd.to_datetime('2022-05-30')
    age = []
    for index, row in data.iterrows():
        age.append(math.floor((today -  pd.to_datetime(row['birthdate']))/np.timedelta64(1, 'Y')))
    data['age'] = age
    data = data[['first_name', 'last_name', 'position','played', 'success_rate', 'gender', 'age', 'team_name']]
    data = data.sort_values(by=['success_rate', 'played'], ascending=False)
    data.reset_index(drop=True, inplace=True)
    data.index = data.index + 1
    return data[:5]

Najlepsi dorośli mężczyźni w zależności od pozycji na której grali

query_adult_m = '''
SELECT first_name, last_name, positions.position, SUM(team_score > opponent_score), COUNT(team_score > opponent_score), gender, birthdate, team_name 
FROM positions
LEFT JOIN people USING (person_id) 
LEFT JOIN gender USING (first_name) 
LEFT JOIN personal_info USING (person_id) 
LEFT JOIN matches USING (team_name, date) 
LEFT JOIN teams USING (team_name) 
WHERE (team_score IS NOT NULL) AND (age_category = 'adult') AND (gender = 'M')
GROUP BY person_id, positions.position
'''

cursor.execute(query_adult_m)
team_adult_m = cursor.fetchall()
team_adult_m = pd.DataFrame(team_adult_m, columns=['first_name', 'last_name', 'position', 'won', 'played', 'gender', 'birthdate', 'team_name'])

best_for_position(team_adult_m, 'lead')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Emile	Burton	lead	9	1.0	M	42	Montreal Bruins
2	Zacharia	Donaldson	lead	7	1.0	M	42	Calgary Rockets
3	Ankit	Cousineau	lead	7	1.0	M	37	Montreal Bruins
4	Alexandro	Guerin	lead	5	1.0	M	29	Calgary Rockets
5	Juliano	Lord	lead	5	1.0	M	32	Vancouver Fury

best_for_position(team_adult_m, 'vice')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Stavros	Thiessen	vice	6	1.0	M	38	Cold Colts
2	Marcelo	Dion	vice	6	1.0	M	25	Vancouver Fury
3	Gordon	Klassen	vice	6	1.0	M	27	Montreal Bruins
4	Johan	Webb	vice	5	1.0	M	28	Calgary Bruins
5	Nick	Small	vice	5	1.0	M	49	Calgary Rockets

best_for_position(team_adult_m, 'second')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Thierry	Donnelly	second	11	1.0	M	39	Montreal Bruins
2	Daryn	Labelle	second	7	1.0	M	37	Vancouver Fury
3	Yanick	Dhaliwal	second	6	1.0	M	37	Montreal Bruins
4	Abdurrahman	Huynh	second	4	1.0	M	45	Calgary Rockets
5	Jake	Morris	second	4	1.0	M	46	Cold Huskies

best_for_position(team_adult_m,'skip') 

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Gordon	Klassen	skip	7	1.0	M	27	Montreal Bruins
2	Edsel	Green	skip	5	1.0	M	47	Cold Colts
3	Dhyan	Fillion	skip	5	1.0	M	27	Vancouver Fury
4	Zacharia	Donaldson	skip	4	1.0	M	42	Calgary Rockets
5	Manley	Gravel	skip	4	1.0	M	40	Calgary Rockets

Widzimy, że wśród drużyn dorosłych mężczyzn najlepsi zawodnicy są z drużyn: Montreal Bruins, Calgary Rockets, Vancouver Fury oraz Cold Colts. Niektórzy zawodnicy osiągają bardzo dobre wyniki na więcej niż jednej pozycji np. Gordon Klassen czy Zacharia Donaldson.

W przypadku tej kategori, najlepszy skład moglibyśmy wybrać z następujących osób:

• lead - Emile Burton,
• vice - Stavros Thiessen lub Marcelo Dion lub Gordon Klassen,
• second - Thierry Donnelly,
• skip - Gordon Klassen.

Widzimy, że wszyscy zawodnicy poza 'vice' są jednoznacznie najlepsi oraz pochodzą z drużyny Montreal Bruins. Na pozycję 'vice', nie możemy wybrać Gordon Klassen, ponieważ jest on już na pozycji 'skip', więc do wyboru mamy dowolnego z pozostałych dwóch graczy. Starvros Thiessen pojawia się jako $38$ najlepszy gracz bez względu na pozycję, przy czym Marcelo Dion nie widać w top $40$, zatem decydujemy się na Starvros Thiessen.

Ostatecznie jako reprezentację dorosłych mężczyzn wybieramy:

• lead - Emile Burton z Montreal Bruins,
• vice - Stavros Thiessen z Cold Colts,
• second - Thierry Donnelly z Montreal Bruins,
• skip - Gordon Klassen z Montreal Bruins.

Najlepsze dorosłe kobiety w zależności od pozycji na której grały

query_adult_w = '''
SELECT first_name, last_name, positions.position, SUM(team_score > opponent_score), COUNT(team_score > opponent_score), gender, birthdate, team_name 
FROM positions
LEFT JOIN people USING (person_id) 
LEFT JOIN gender USING (first_name) 
LEFT JOIN personal_info USING (person_id) 
LEFT JOIN matches USING (team_name, date) 
LEFT JOIN teams USING (team_name) 
WHERE (team_score IS NOT NULL) AND (age_category = 'adult') AND (gender = 'F')
GROUP BY person_id, positions.position
'''

cursor.execute(query_adult_w)
team_adult_w = cursor.fetchall()
team_adult_w = pd.DataFrame(team_adult_w, columns=['first_name', 'last_name', 'position', 'won', 'played', 'gender', 'birthdate', 'team_name'])

best_for_position(team_adult_w, 'lead')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Najma	Charlebois	lead	7	1.0	F	34	Game of Stones
2	Adãˆle	Meyer	lead	5	1.0	F	35	Game of Stones
3	Sathana	Lo	lead	3	1.0	F	27	Cold Huskies
4	Anahita	Roy	lead	3	1.0	F	36	Toronto Penguins
5	Humaira	Sharpe	lead	1	1.0	F	40	Ice Cougars

best_for_position(team_adult_w, 'vice')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Sara	Willis	vice	6	1.0	F	29	Game of Stones
2	Kristie	Bartlett	vice	4	1.0	F	49	Calgary Bruins
3	Patricia-anne	Audet	vice	3	1.0	F	22	Game of Stones
4	Laiba	Baird	vice	2	1.0	F	48	Cold Huskies
5	Gena	Vezina	vice	1	1.0	F	31	Cold Huskies

best_for_position(team_adult_w, 'second')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Preet	Doiron	second	3	1.0	F	39	Game of Stones
2	Laiba	Baird	second	2	1.0	F	48	Cold Huskies
3	Gena	Vezina	second	2	1.0	F	31	Cold Huskies
4	Domenica	Shah	second	2	1.0	F	47	Calgary Bruins
5	Aliah	Hawkins	second	1	1.0	F	26	Ice Cougars

best_for_position(team_adult_w, 'skip')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Adãˆle	Meyer	skip	5	1.0	F	35	Game of Stones
2	Anayat	Major	skip	5	1.0	F	26	Toronto Penguins
3	Sathana	Lo	skip	3	1.0	F	27	Cold Huskies
4	Kelsie	Gallant	skip	2	1.0	F	35	Toronto Penguins
5	Patricia-anne	Audet	skip	2	1.0	F	22	Game of Stones

Dla dorosłych kobiet najlepsze zawodniczki podobnie jak u mężczyzn, pochodzą z powtarzających się drużyn, takich jak: Game of Stones, Cold Huskies, Toronto Penguins, Ice Cougars i Calgary Bruins. Również widzimy zawodniczki świetne bez wzgędu na jakiej pozycji grały np. Adãle Meyer i Sathana Lo.

Bazując na powyższych, najlepszy skład moglibyśmy wybrać z następujących osób:

• lead - Najma Charlebois,
• vice - Sara Willis,
• second - Preet Doiron,
• skip - Adãle Meyer lub Anayat Major.

Wybrane zawodniczki poza 'skip' są z drużyny Game of Stones. Sugerując się drużyną, warto byłoby wybrać Adãle Meyer na tę pozycję, ponieważ najprawdopodobniej zawodniczki które są z jednego teamu, będą w stanie najlepiej razem współpracować.

Zatem jako reprezentację dorosłych kobiet wybieramy drużynę Game of Stones w składzie:

• lead - Najma Charlebois,
• vice - Sara Willis,
• second - Preet Doiron,
• skip - Adãle Meyer.

Najlepsi mężczyźni wśród juniorów w zależności od pozycji

query_junior_m = '''
SELECT first_name, last_name, positions.position, SUM(team_score > opponent_score), COUNT(team_score > opponent_score), gender, birthdate, team_name 
FROM positions
LEFT JOIN people USING (person_id) 
LEFT JOIN gender USING (first_name) 
LEFT JOIN personal_info USING (person_id) 
LEFT JOIN matches USING (team_name, date) 
LEFT JOIN teams USING (team_name) 
WHERE (team_score IS NOT NULL) AND (age_category = 'junior') AND (gender = 'M')
GROUP BY person_id, positions.position
'''

cursor.execute(query_junior_m)
team_junior_m = cursor.fetchall()
team_junior_m = pd.DataFrame(team_junior_m, columns=['first_name', 'last_name', 'position', 'won', 'played', 'gender', 'birthdate', 'team_name'])

best_for_position(team_junior_m, 'lead')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Israel	Chevalier	lead	5	1.0	M	20	Montreal Braves
2	Mervin	Webb	lead	5	1.0	M	11	Stone Timberwolves
3	Issa	Sharma	lead	4	1.0	M	15	Stone Timberwolves
4	Daylen	Larsen	lead	4	1.0	M	17	Montreal Braves
5	Craig	McCarthy	lead	3	1.0	M	10	Montreal Braves

best_for_position(team_junior_m, 'vice')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Daylen	Larsen	vice	7	1.0	M	17	Montreal Braves
2	Olivier	Donovan	vice	6	1.0	M	17	Stone Timberwolves
3	Frederik	Adam	vice	4	1.0	M	11	Super Salsa
4	Mervin	Webb	vice	4	1.0	M	11	Stone Timberwolves
5	Timur	Labelle	vice	3	1.0	M	12	Broom Hawks

best_for_position(team_junior_m, 'second')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Tal	Ho	second	7	1.0	M	13	Stone Timberwolves
2	Craig	McCarthy	second	5	1.0	M	10	Montreal Braves
3	Boy	Edwards	second	4	1.0	M	13	Broom Hawks
4	Carl	Perron	second	4	1.0	M	10	Montreal Braves
5	Khaled	David	second	4	1.0	M	8	Super Salsa

best_for_position(team_junior_m, 'skip')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Tal	Ho	skip	6	1.0	M	13	Stone Timberwolves
2	Carl	Perron	skip	5	1.0	M	10	Montreal Braves
3	Jahaan	Turgeon	skip	5	1.0	M	9	Toronto Olympics
4	Israel	Chevalier	skip	4	1.0	M	20	Montreal Braves
5	Craig	McCarthy	skip	4	1.0	M	10	Montreal Braves

Ponownie najlepsi zawodnicy są z tylko kilku drużyn, tutaj: Montreal Braves, Stone Timberwolves, Super Salsa, Broom Hawks i Toronto Olympics. Co ciekawe mamy zawodnika (Tal Ho) który jest jednoznacznie najlepszy w dwóch kategoriach.

Z powyższych odczytujemy nasze możliwe opcje:

• lead - Israel Chevalier lub Mervin Webb,
• vice - Daylen Larsen,
• second - Tal Ho > Craig McCarthy,
• skip - Tal Ho > Carl Perron.

Najpierw rozwiązujemy kwestię na jaką pozycję trafi Tal Ho, lepsza sytuacja będzie gdzy zajmie on pozycję 'second' a wtedy zamiast niego Carl Perron zostanie 'skip'. Jest tak ponieważ widzimy mniejszą różnicę między umiejętnościami Tal Ho i Carl Perron niż między Tal Ho i Craig McCarthy. Jako 'lead' wybieramy bezsprzecznie Israel Chevalier, który jest naszym najlepszym graczem wśród juniorów!

Reprezentacja męska juniorów prezentuje się następjąco:

• lead - Israel Chevalier z drużyny Montreal Braves,
• vice - Daylen Larsen z drużyny Montreal Braves,
• second - Tal Ho z drużyny Stone Timberwolves,
• skip - Carl Perronz drużyny Montreal Braves.

Najlepsze kobiety wśród juniorów w zależności od pozycji

query_junior_w = '''
SELECT first_name, last_name, positions.position, SUM(team_score > opponent_score), COUNT(team_score > opponent_score), gender, birthdate, team_name 
FROM positions
LEFT JOIN people USING (person_id) 
LEFT JOIN gender USING (first_name) 
LEFT JOIN personal_info USING (person_id) 
LEFT JOIN matches USING (team_name, date) 
LEFT JOIN teams USING (team_name) 
WHERE (team_score IS NOT NULL) AND (age_category = 'junior') AND (gender = 'F')
GROUP BY person_id, positions.position
'''

cursor.execute(query_junior_w)
team_junior_w = cursor.fetchall()
team_junior_w = pd.DataFrame(team_junior_w, columns=['first_name', 'last_name', 'position', 'won', 'played', 'gender', 'birthdate', 'team_name'])

best_for_position(team_junior_w, 'lead')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Elysse	Prevost	lead	5	1.0	F	15	Cold Islanders
2	Adaline	Parsons	lead	4	1.0	F	11	Cold Islanders
3	Female	Hewitt	lead	3	1.0	F	14	Ottawa Greys
4	Chastity	Tessier	lead	3	1.0	F	9	Toronto Olympics
5	Rania	Faucher	lead	2	1.0	F	17	Calgary Metros

best_for_position(team_junior_w, 'vice')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Liliane	Freeman	vice	4	1.0	F	11	Montreal Lasers
2	Elysse	Prevost	vice	4	1.0	F	15	Cold Islanders
3	Hester	Newton	vice	4	1.0	F	18	Montreal Lasers
4	Mackayla	Little	vice	3	1.0	F	12	Toronto Olympics
5	Petra	Reimer	vice	3	1.0	F	12	Cold Islanders

best_for_position(team_junior_w, 'second')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Ksenia	Godin	second	6	1.0	F	10	Cold Islanders
2	Braelynn	Beaton	second	3	1.0	F	19	Stone Timberwolves
3	Simra	Nielsen	second	3	1.0	F	11	Ice Dodgers
4	Niki	Croteau	second	3	1.0	F	12	Cold Islanders
5	Mykayla	Champagne	second	3	1.0	F	20	Super Atlantics

best_for_position(team_junior_w, 'skip')

	first_name	last_name	position	played	success_rate	gender	age	team_name
1	Adaline	Parsons	skip	5	1.0	F	11	Cold Islanders
2	Leita	Lam	skip	3	1.0	F	13	Montreal Lasers
3	Delma	Davis	skip	3	1.0	F	16	Montreal Lasers
4	Rachel	O’Neill	skip	2	1.0	F	10	Montreal Lasers
5	Rania	Faucher	skip	2	1.0	F	17	Calgary Metros

Na koniec szukamy jeszcze reprezentacji kobiet dla juniorów. Jak zwykle mamy pule kilku najlepszych drużyn z których pochodzą nasze zawodniczki, są to: Cold Islanders, Ottawa Greys, Toronto Olympics, Calgary Metros, Montreal Lasers, Stone Timberwolves, Ice Dodger oraz Super Atlantics. Pula tutaj znacznie się nam powiększyła, co znaczy, że drużyny żeńskie są bardziej zróżnicowane.

W tej kategorii mamy następujące kandydatki:

• lead - Elysse Prevost,
• vice - Liliane Freeman lub Elysse Prevost albo Hester Newton,
• second - Ksenia Godin,
• skip - Adaline Parsons.

Jedyna sporna pozycja, to 'vice' z której odpada nam Elysse Prevost, będąca naszym 'lead'. Liliane Freeman i Hester Newton nie pojawiają się w top $40$ zawodników ani żadna nie jest z drużyny pozostałych zawodniczek, więc zupełnie zmieniamy taktykę i wybieramy Petra Reimer. Znajduje się ona w Cold Islanders, jest $7$ najlepszą zawodniczką wśród juniorów, a różnica w jej umiejętnościach i wytypowanych dziewczyn jest niewielka.

Nasza reprezentacja żeńska juniorów pochodzi cała z drużyny Cold Islanders i składa się z:

• lead - Elysse Prevost,
• vice - Petra Reimer,
• second - Ksenia Godin,
• skip - Adaline Parsons.

7. Co zrobić, żeby nie zbakrutować?

Początkowo chcemy na podstawie wydatków i zarobków tylko w kwietniu 2022, aby nasz bilans wyniósł 0 albo był dodatni.

Zacznijmy od sprawdzenia wydatków, których nie udało nam się pokryć w kwietniu 2022 z opłat za członkostwo.

query5 = "SELECT SUM(financial_flow) FROM finances WHERE date LIKE '2022-04-%'"
cursor.execute(query5)
results5 = cursor.fetchone()

debt = results5[0]

print("Nasz bilans w kwietniu 2022 wyniósł %.2f$." % debt)

Nasz bilans w kwietniu 2022 wyniósł -460665.30$.

Zakładając, że nasz jednyny zarobek to gracze, ilu nowych graczy potrzebujemy, aby pokryć te nadmiarowe wydatki z kwietnia 2022?

print("Potrzebowalibyśmy {} nowych juniorów.".format(int(np.ceil(np.abs(debt/20)))))

Potrzebowalibyśmy 23034 nowych juniorów.

print("Potrzebowalibyśmy {} nowych dorosłych.".format(int(np.ceil(np.abs(debt/55)))))

Potrzebowalibyśmy 8376 nowych dorosłych.

print("Potrzebowalibyśmy {} nowych graczy juniorów i {} nowych graczy dorosłych. (Przy założeniu, że każda grupa graczy pokryłaby taką samą część nadmiarowych wydatków.)".format(int(np.ceil(np.abs(debt/2/20))), int(np.ceil(np.abs(debt/2/55)))))

Potrzebowalibyśmy 11517 nowych graczy juniorów i 4188 nowych graczy dorosłych. (Przy założeniu, że każda grupa graczy pokryłaby taką samą część nadmiarowych wydatków.)

i = 1
while True:
    if 20*i + 55* i > np.abs(debt):
        break
    i += 1

print("Potrzebowalibyśmy {} nowych graczy juniorów i {} nowych graczy dorosłych. (Przy założeniu, że dołączyłoby tyle samo nowych zawodników z obu grup wiekowych.)".format(i, i))

Potrzebowalibyśmy 6143 nowych graczy juniorów i 6143 nowych graczy dorosłych. (Przy założeniu, że dołączyłoby tyle samo nowych zawodników z obu grup wiekowych.)

A ilu właściwie mamy graczy w tym momencie?

query6 = "SELECT COUNT(*) FROM personal_info WHERE position IS NULL"
cursor.execute(query6)
results6 = cursor.fetchone()
results6[0]

370

Niestety patrząc na to, że aktualnie mamy zaledwie 370 zawodników, ciężko byłoby nam zdobyć parę czy parędziesiąt tysięcy nowych graczy. Musimy więc znaleźć inne źródło zarobku. Zatem...

Jakiej wysokości musiałaby być nagroda za każdy wygrany mecz w kwietniu 2022, aby pokryć nadmiarowe wydatki z tego miesiąca?

Jak wiemy, za wygrane mecze czasami możemy otrzymać nagrody pieniężne, których dotąd nie roważałyśmy. Przyjmijmy więc, że otrzymaliśmy nagrodę w każdym meczu, który wygraliśmy w kwietniu 2022.

Ile meczy udało nam się wygrać w kwietniu 2022?

query7 = "SELECT COUNT(*) FROM matches WHERE (date LIKE '2022-04-%') AND (team_score > opponent_score)"
cursor.execute(query7)
results7 = cursor.fetchone()

won_matches = results7[0]

print("W kwietniu 2022 udało nam się wygrać {} meczy.".format(won_matches))

W kwietniu 2022 udało nam się wygrać 27 meczy.

print("Potrzebowalibyśmy za każdy wygrany mecz otrzymać {}$.".format(np.ceil(np.abs(debt/won_matches)*100)/100))

Potrzebowalibyśmy za każdy wygrany mecz otrzymać 17061.68$.

Oczywiście widzimy, że mamy raczej małe szanse, aby za każdą wygraną otrzymać kwotę 17 tysięcy dolarów. Pora zatem poszukać sponsorów.

Ilu potrzebowalibyśmy sponsorów na pokrycie nadmiarowych wydatków z kwietnia 2022?

Znalazłyśmy dane, które mówiły, że sponsoring drużyny sportowej to średnio od $100\$$ do $3000\$$. Rozważymy więc sponsorów, którzy każdej z naszych drużyn przekazują miesięcznie taką samą kwotę.

Załóżmy najpierw, że każdy ze sponsorów miesięcznie przekazywałby nam kwotę $100\$$ na drużynę.

print("Potrzebowalibyśmy {} takich sponsorów.".format(int(np.ceil(np.abs(debt/(100*43))))))

Potrzebowalibyśmy 108 takich sponsorów.

Ale jeśli każdy ze sponsorów miesięcznie przekazywałby nam kwotę 500$ na drużynę...

print("Potrzebowalibyśmy {} takich sponsorów.".format(int(np.ceil(np.abs(debt/(500*43))))))

Potrzebowalibyśmy 22 takich sponsorów.

A co gdybyśmy mieli bardziej hojnych sponsorów, którzy przekazywaliby miesięcznie 3000$ każdej drużynie?

print("Potrzebowalibyśmy już tylko {} takich sponsorów.".format(int(np.ceil(np.abs(debt/(3000*43))))))

Potrzebowalibyśmy już tylko 4 takich sponsorów.

Dość logiczne jest, że nowych zawodników pojawi się tylko ograniczona liczba, dlatego znacząco nie zwiększą oni naszych zysków. Ponadto, aby zająć się kolejnymi graczami, potrzebowalibyśmy więcej pracowników, co ponownie zwiększyłoby nasze wydatki.

Zdecydowanie najlepszym rozwiązaniem byłoby znalezienie sponsorów. Oczywiście ciężko pozyskać takich, którzy płaciliby kilka tysięcy dolarów miesięcznie każdej z naszych drużyn, jednak jacykolwiek sponsorzy pozytywnie wpłynęliby na bilans naszego konta.

Oczywiście powinniśmy też zacząć brać udział w meczach, w których za zwycięstwo moglibyśmy otrzymać nagrody pieniężne, a dodatkowo wygrywając - przekonać do sponsorowania nas.

8. Co możemy powiedzieć o naszych pracownikach i zawodnikach?

Analiza ilości aktywnych pracowników na różnych stanowiskach w danych placówkach

query8 = '''SELECT city, position, COUNT(*)
FROM people
LEFT JOIN gender
USING(first_name)
LEFT JOIN address
USING(person_id)
LEFT JOIN address_book
USING(address_id)
LEFT JOIN personal_info
USING(person_id)
WHERE position IS NOT NULL
AND retire_date IS NULL
GROUP BY city, position'''
cursor.execute(query8)
results8 = cursor.fetchall()

employees = pd.DataFrame(results8, columns=["city", "position", "amount"])

def make_position(df, col:int):
    fig.add_trace(go.Pie(values=df['amount'], labels=df['position']), 1, col)
    fig.update_traces(textinfo="value")

fig = make_subplots(rows=1, cols=5, specs=[[{'type':'domain'}, {'type':'domain'}, {'type':'domain'}, {'type':'domain'}, {'type':'domain'}]], subplot_titles=employees["city"].unique())
i = 1

for city in employees["city"].unique():
    make_position(employees[employees["city"]==city], i)
    i += 1

fig.update_layout(title_text="Podział wszystkich aktywnych pracowników w poszczególnych placówkach ze względu na stanowisko", title_x=0.5)
fig.show()

Widzimy, że największe grupy pracowników stanowią managerowie, sprzątaczki oraz trenerzy. Managerów mamy dokładnie tylu, ile drużyn w danej placówce. Jest to dość spora ilość, szczególnie, że w niektórych placówkach jest ich więcej niż sprzątaczek. W każdej placówce mamy dokładnie jednego dyrektora. Ilość księgowych, psychologów oraz lekarzy w każdej z placówek waha się między 1 a 3. Najwięcej trenerów znajduje się w Calgary, skąd co ciekawe pochodzi najlepsza drużyna Calgary Rockets.

Analiza ilości aktywnych graczy w placówkach ze względu na płeć

query9 = '''SELECT city, gender, COUNT(*)
FROM people
LEFT JOIN gender
USING(first_name)
LEFT JOIN address
USING(person_id)
LEFT JOIN address_book
USING(address_id)
LEFT JOIN personal_info
USING(person_id)
WHERE position IS NULL
AND retire_date IS NULL
GROUP BY city, gender'''
cursor.execute(query9)
results9 = cursor.fetchall()

players_gender = pd.DataFrame(results9, columns=["city", "gender","amount"])
players_gender = players_gender.replace(['M'],'male')
players_gender = players_gender.replace(['F'],'female')

def make_gender(df, col:int):
    fig.add_trace(go.Pie(values=df['amount'], labels=df['gender']), 1, col)
    fig.update_traces(textinfo="value")

fig = make_subplots(rows=1, cols=5, specs=[[{'type':'domain'}, {'type':'domain'}, {'type':'domain'}, {'type':'domain'}, {'type':'domain'}]], subplot_titles=players_gender["city"].unique())
i = 1

for city in players_gender["city"].unique():
    make_gender(players_gender[players_gender["city"]==city], i)
    i += 1

fig.update_layout(title_text="Podział wszystkich aktywnych graczy w poszczególnych placówkach ze względu na płeć", title_x=0.5)
fig.show()

W Ottawie mamy najwięcej kobiet i stanowią one ponad 60% wszystkich aktywnych graczy w tej placówce. W pozostałych placówkach przeważają natomiast mężczyźni. Przewaga mężczyzn była już wcześniej widoczna przy wykresie ilości aktywnych zawodników. Ilość mężczyzn i kobiet jest mocno zróżnicowana i zależy od kategorii zespołów w danej placówce.

Analiza ilości graczy w placówkach, którzy są nadal aktywni lub opuścili nasz klub

query10 = '''SELECT city, SUM(retire_date IS NULL), SUM(retire_date IS NOT NULL)
FROM people
LEFT JOIN personal_info
USING(person_id)
LEFT JOIN address
USING(person_id)
LEFT JOIN address_book
USING(address_id)
GROUP BY city
'''
cursor.execute(query10)
results10 = cursor.fetchall()

players_activity = pd.DataFrame(results10, columns=["city", "active", "retired"])
players_activity = players_activity.astype({"active": int, "retired":int})

def make_position(df, col:int):
    fig.add_trace(go.Pie(values=[df[['active']].iloc[0,0],df[['retired']].iloc[0,0]], labels=["active", "retired"]), 1, col)
    fig.update_traces(textinfo="value")

fig = make_subplots(rows=1, cols=5, specs=[[{'type':'domain'}, {'type':'domain'}, {'type':'domain'}, {'type':'domain'}, {'type':'domain'}]], subplot_titles=players_activity["city"].unique())
i = 1

for city in players_activity["city"].unique():
    make_position(players_activity[players_activity["city"]==city], i)
    i += 1

fig.update_layout(title_text="Podział wszystkich graczy w poszczególnych placówkach ze względu na bycie aktywnym", title_x=0.5)
fig.show()

Widzimy, że w każdej z placówek około 25% zawodników odeszło, a około 75% to nadal aktywni gracze. Ilościowo najwięcej graczy odeszło w Montrealu, natomiast procentowo - w Toronto. Wszędzie ilość zawodników, którzy odeszli waha się w przedziale od 25 do 35.